面向智能车辆的单目视觉行车安全信息检测与识别方法研究

摘要

智能车辆技术已成为近十多年来的研究热点，其原因是智能车辆不仅在军事上可作为一种灵活的武器平台，而且在生活中也是一种给人们提供便捷和安全的系统，比如无人驾驶汽车和高级驾驶员辅助系统(ADAS)。智能车辆是一个多领域交叉的学科方向，涉及机械、电子、控制、通讯、传感器，信息处理等多个门类，其中，信息处理是体现智能化程度的关键，而基于单目视觉的行车安全信息检测与识别问题又是信息处理的核心问题，也是瓶颈问题之所在，因为环境的复杂性和多样性给这一问题带来了巨大的挑战。本文针对这一问题展开研究，具体分析、研究和解决其中的车道线检测、道路检测、盲区车辆检测和车辆防撞方法中存在的问题和不足，以期进一步提升智能车辆的智能化程度和安全性。论文主要内容包括:
　　针对结构化和半结构化道路中现有车道线检测方法没有专门考虑弱线检测的问题，提出了两种模型，其中模糊LDA增强模型用于提升车道线区域的对比度，另一个亮度对比度显著性模型可用于鲁棒的车道线区域提取。然后，将两种模型应用于车道线检测，提出了一种两阶段的车道线检测方法:第一阶段使用亮度对比度显著性模型提取车道线，并进行车道线和道路样本点的选取;第二阶段利用模糊LDA增强模型对道路图像进行颜色空间转换，得到一个突出车道线的高对比度增强图像，并再次使用亮度对比度显著性模型对增强后的图像中进行车道线提取，最后使用基于Hough与逆投影变换验证车道线的提取结果。实验结果表明，该方法能有效提高弱线的检测率。
　　针对半结构化和非结构化道路检测的鲁棒性不高问题，提出了一种基于稀疏表示与方差鉴别性模型的道路检测方法。该方法利用已标记的道路图像样本，通过学习得到道路形状字典，进而使用稀疏表示获得路面图像的表示系数;通过表示系数的参数分布获得道路形状先验信息;采用方差鉴别性模型分析非路区域和道路区域的颜色特征分布的鉴别性;通过基于方差最大化鉴别性准则寻找易于道路区域分割的颜色通道，最后在该通道上实现道路的分割，在标准库和自建库上的实验证明了所提方法的准确性和鲁棒性。
　　针对盲区车辆检测中存在的车型多样、形状畸变、尺寸变化等难点问题，提出了一种基于PCA-SOM-Net的盲区车辆检测方法。该方法就PCANet产生的特征维数高的问题，在PCANet中加入的自组织映射网络(SOM)进行特征聚类，并将第一层输出也引入到最后的特征表示中，得到了改进的PCANet模型—PCA-SOM-Net，该模型在有效减少PCANet特征维数的同时，保留了PCANet特征的有效性。基于PCA-SOM-Net模型，设计了一种盲区车辆检测方法，该方法首先采用基于路面灰度统计对车辆区域进行粗提取;进一步通过典型车辆特征进行精筛选，最后利用PCA-SOM-Net提取出的特征和SVM分类器对候选区域进行确认。实验表明，所提方法能够很好检测盲区中的车辆，对车辆的形状畸变、尺寸变化不敏感。
　　针对车辆的防撞预警问题，提出了一种基于单目视觉的车辆碰撞模型。该模型通过提取多帧图像中车辆底部到消失点的距离信息，刻画帧间图像的目标尺寸变化规律，从而通过计算分析目标车辆的运动规律，并估算出两车间的碰撞时间，以达到对驾驶员的警示目的。与雷达实测数据的结果对比实验证明，本文方法可以很好地达到碰撞时间估算要求，具有较好的实用性与准确性。
　　最后，设计了一个用于验证所提算法有效性的行车安全信息检测与识别系统，给出了详细的硬件设计方案，软件流程图以及综合实验结果，有力地体现了所提算法的综合性能。

目录

声明

摘要

1 绪论

1．1 课题的研究背景与意义

1．1．1 研究背景

1．1．2 研究意义

1．2 智能车辆技术的发展现状

1．3 智能车辆行车安全信息检测与识别关键技术概述

1．3．1 基于视觉的道路检测技术

1．3．2 基于视觉的车道线检测技术

1．3．3 基于视觉的车辆检测技术

1．4 本文的内容安排及创新点

1．4．1 本文内容安排

1．4．2 本文主要创新点

2 基于车道线增强和视觉显著性模型的车道线检测

2．1 引言

2．2 基于模糊LDA的车道线增强模型

2．3 车道线的亮度对比度显著性模型

2．4 基于车道线增强和视觉显著性模型在车道线检测的应用

2．4．1 道路兴趣区域的提取

2．4．2 基于亮度和对比度显著性模型的车道线检测

2．4．3 基于模糊LDA的车道线增强与提取

2．4．4 车道线描述

2．4．5 基于逆透视变换的车道线验证

2．5 实验结果及分析

2．6 本章小结

3 基于稀疏表示与方差鉴别性模型的道路检测

3．1 引言

3．2 基于稀疏表示的形状先验提取

3．2．1 稀疏表示

3．2．2 基于稀疏表示的道路形状先验提取

3．3 基于方差鉴别性模型的高鉴别性灰度通道选择

3．4 稀疏表示与方差鉴别性模型应用于道路检测

3．4．1 道路兴趣区域设定与特征描述

3．4．2 基于稀疏表示和方差鉴别性模型的道路分割

3．5 实验结果与分析

3．5．1 道路先验提取结果

3．5．2 道路检测结果

3．6 本章小结

4 基于PCA-SOM-Net的盲区车辆检测

4．1 引言

4．2 深度学习概述

4．2．1 主流的深度学习模型

4．2．2 深度学习在检测与识别中应用

4．3 PCANet模型

4．4 PCANet模型的优缺点分析

4．5 PCA-SOM-Net模型

4．6 基于PCA-SOM-Net模型的盲区车辆检测

4．6．1 图像中盲区的界定

4．6．2 基于路面灰度统计的可疑区域提取

4．6．3 基于多特征验证的可疑区域筛选

4．6．4 基于PCA-SOM-Net的盲区车辆特征表示与识别

4．7 实验结果与分析

4．8 本章小结

5 基于单目视觉的车辆防撞预警模型

5．1 引言

5．2 车辆碰撞模型研究

5．2．1 摄像机目标成像

5．2．1 车辆碰撞时间估算

5．3 基于多帧的碰撞时间估计

5．3．1 军辆碰撞时间估算

5．4 实验结果及分析

5．5 本章小结

6 智能车辆的行车安全信息检测与识别系统

6．1 引言

6．2 系统设计

6．2．1 行车安全信息检测与识别系统的硬件结构设计

6．2．2 系统功能模块设计

6．3 行车安全信息检测与识别系统的整体性能实验

6．4 本章小结

7 总结与展望

致谢

参考文献

攻读博士学位期间发表论文和出版著作情况

攻读博士学位期间参加的科研项目